نوع مقاله : مقاله مستخرج از رساله دکتری

نویسندگان

• محمد زمانی ¹
• قدرت الله امام وردی ²
• یداله نوری فرد ³
• محسن حمیدیان ⁴
• سیده محبوبه جعفری ³

¹ دانشجوی دکتری رشته حسابداری، گروه حسابداری ، دانشکده اقتصاد و حسابداری، دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، ایران

² استادیارعلوم اقتصادی، گروه اقتصاد نظری، دانشکده اقتصاد و حسابداری، دانشگاه آزاد اسلامی واحد تهران مرکز، تهران، ایران (نویسنده ی مسئول)

³ استادیار حسابداری، گروه حسابداری، دانشکده اقتصاد و حسابداری، دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، ایران

⁴ دانشیار حسابداری، گروه حسابداری، دانشکده اقتصاد و حسابداری، دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، ایران

چکیده

هدف این پژوهش تحلیل مقایسه‌ای دقت پیش بینی روش های محاسباتی ریسک بازار در ارزش در معرض خطر با رویکرد هوش مصنوعی ارتباطی می‌باشد توسعه روز افزون بازارهای مالی اهمیت برآورد معیار شناخته شده اندازه گیری ریسک بازار، (ارزش در معرض خطر) را بیش از گذشته آشکار ساخته است. ارزش در معرض خطر (Var) یک معیار آماری است که حداکثر زیان مورد انتظار از نگهداری یک دارایی یا پرتفوی را در دوره زمانی معین و با احتمال مشخص (سطح اطمینان معلوم) محاسبه و به صورت کمی گزارش می‌کندو یکی از مهم‌ترین معیارهای ریسک بازار است که به‌طور گسترده برای مدیریت ریسک مالی توسط نهادهای قانون‌گذار مالی و مدیران پرتفوی به‌کاربرده می‌شود. ریسک‌ها در سطح کلان دارای آثار فراگیر هستند و می‌توانند تأثیرات منفی را در کل بازار مالی برجای بگذارند. شناخت وابستگی های درونی و ارتباطات متقابل شرکت ها و توسعه معیارهای ریسک که افزایش وابستگی دنباله بازده شرکت ها را در طول بحران را پیش بینی نماید ، از اهمیت زیادی برخوردار است. وجود چنین روش هایی، یک ابزار قدرتمند به منظور افزایش ثبات مالی آتی در اختیار تصمیم گیران قرار می‌دهد . بدین‌جهت با استفاده از اطلاعات روزانه قیمت سهام ، ارزش در معرض خطر با روش‌های پارامتریک (روش واریانس –کوواریانس)، شبیه‌سازی تاریخی، شبیه‌سازی بوت استرپ بین دوره زمانی 1390 الی 1396 بورس اوراق بهادار تهران برای شرکت‌های نمونه آماری ، محاسبه و استفاده‌شد. پس از کاهش نوسانات روش Bootstrap، Historical و Variance covariance با استفاده از تبدیل موجک برای آموزش مدل‌ها و پیش بینی، روش هر 15 روز متوالی را به‎عنوان ورودی (همان متغیر مستقل) در مدل RVM و روز 16 ام به‎عنوان متغیر وابسته را به‎عنوان خروجی مدل در نظر گرفته شدو برای ارزیابی مدل‌ها از دو معیار ارزیابی بانام‌های میانگین مربعات خطا (MSE)، میانگین قدر مطلق خطا (MAE) استفاده‌شده است برای پیش‌بینی از الگوریتم ماشین بردار ارتباطی استفاده‌شده است. الگوریتم RVM یک مدل غیرخطی است و با انتقال داده ها از فضای ورودی به فضای ویژگی باعث غیرخطی شدن الگوریتم می‌شود. در ماشین بردار ارتباطی از کرنل گوسی برای غیرخطی سازی استفاده‌شده است. نتایج آزمون فرضیه‌ها و برازش الگوریتم هوش مصنوعی ارتباطی نشان داد که الگوریتم هوش مصنوعی جهت پیش‌بینی روش‌های روزانه ارزش در معرض خطر روش کارایی می باشد و همچنین در بازار سرمایه ایران پیش‌بینی ارزش در معرض خطر با روش نیمه پارامتریک بوت استرپ باقدرت بالاتری انجام و جهت استفاده توصیه می گردد، روش های پارامتریک(واریانس - کوواریانس) و شبیه سازی تاریخی در رتبه‌های بعدی قرار می‌گیرند. مطالعات انجام‌شده در مورد ارزش در معرض ریسک محدود به یک صنعت و یا با تعریف پرتفویی بوده است و تمام شرکت‌های بورسی موردبررسی قرار نگرفته‌اند، در این مطالعه سعی شد تمام شرکت‌های حاضر در بورس ریسک بازارشان با رویکرد ارزش در معرض ریسک تحت 3 مدل مهم و پرکاربرد واریانس –کواریانس، شبیه‌سازی تاریخی، شبیه‌سازی بوت استرپ محاسبه شود و با استفاده از الگوریتم هوش مصنوعی کارایی آن‌ها سنجیده شود. به‌نوعی پژوهش‌های پیشین از جامعه آماری کمتر و عدم سنجش کارایی مدل‌ها در عمل برخوردارند

کلیدواژه‌ها

• ریسک بازار
• ارزش در معرض خطر
• الگوریتم هوش مصنوعی ارتباطی

موضوعات

• اقتصاد سنجی

عنوان مقاله [English]

PREDICTING VALUE AT RISK: AN ARTIFICIAL INTELLIGENCE APPROACH

نویسندگان [English]

• mohammad zamani ¹
• Ghodratollah Emamverdi ²
• Yadollah Noorifard ³
• Mohsen Hamidian ⁴
• Seyedeh Mahboubeh Jafari ³

¹ PhD Candidate in Accounting, Department of Accounting, Faculty of Economics and Accounting, Islamic Azad University, South Tehran Branch, Tehran, Iran

² Assistant Professor of Economics, Department of Theoretical Economics, Faculty of Economics and Accounting, Islamic Azad University, Tehran Central Branch, Tehran, Iran (Corresponding Author)

³ Assistant Professor of Accounting, Department of Accounting, Faculty of Economics and Accounting, Islamic Azad University, South Tehran Branch, Tehran, Iran ,

⁴ Associate Professor of Accounting, Department of Accounting, Faculty of Economics and Accounting, Islamic Azad University, South Tehran Branch, Tehran, Iran ,

چکیده [English]

The purpose of this study is to compare the accuracy of predicting market risk calculation methods of value at risk with the relevance of the artificial intelligence approach. the increasing development of financial markets has revealed the importance of estimating the well-known measure of market risk, risk value more than before. Value at Risk (VaR) is a statistical measure that calculates and quantifies the maximum expected loss from holding an asset or portfolio over a period of time with a certain probability (known confidence level) and is one of the most important market risk criteria that is widely used to manage financial risk by financial regulators and portfolio managers. Macro-level risks have pervasive effects and can have negative effects on the entire financial market. Recognition of the interdependence and mutual relevance of companies and the development of risk factors that predict an increase of dependence on the sequence returns to the company during the crisis is of utmost importance. The existence of such methods provides a powerful tool for decision-makers to increase future financial stability. After reducing the fluctuations of Bootstrap, Historical, and Variance covariance with using wavelet transformation for model training and forecasting, the method is used every 15 consecutive days as input (same as the independent variable) in RVM model and 16th day as the dependent variable was considered as the model output and to evaluate the models, two evaluation criteria called Mean Square Error (MSE) and Mean Absolute Error (MAE) have been used. The relevance vector machine algorithm was used to predict variables. The RVM algorithm is a nonlinear model and causes the algorithm to be nonlinear by transferring data from the input space to the property space. The reason for checking with the MAE error is that this error represents the mean of the absolute value and is more comprehensible for us than the MSE, which is the Mean Squared Error. The results of testing the hypotheses and fitting the relevant artificial intelligence algorithm showed that the artificial intelligence algorithm is an efficient method for predicting daily value-at-risk methods. Also, in the Iranian capital market, risk-value forecasting is done with the semi-parametric bootstrap method with higher power and is recommended for use. Parametric methods (variance-covariance) and historical simulation are in the next ranks. Studies on value at risk have been limited to one industry or by portfolio definition and all listed companies have not been examined.
In this study, we tried to calculate the market risk of all companies listed on the stock exchange with the value-at-risk approach under 3 important and widely used models: variance-covariance, historical simulation, bootstrap simulation and measure their efficiency using an artificial intelligence algorithm. In a way, previous researches have a less statistical population and do not measure the efficiency of models in practice.

کلیدواژه‌ها [English]

• Market risk
• value at risk
• Communication Artificial Intelligence Algorithm